DK77系列电火花线切割机床可靠性评价模型

通过应用模糊神经网络,以模糊综合评价法为基础,以DK77系列电火花线切割机床可靠性指标:平均无故障工作时间(MTBF)、平均维修时间(MTTR)、使用有效度A和故障频度γ为可靠性评价参量建立了DK77系列电火花线切割机床可靠性综合评价模型。实例证明,该模型通过神经网络自适应训练对各评价参量的隶属函数进行了修正,实现了对DK77系列电火花线切割机床可靠性的综合、准确评价,具有一定的实用价值。同时该方法对于其他数控机床可靠性评价工作具有一定的借鉴意义。     

基于 CNN-LSTM-AM 动态集成模型的电站风机状态预测方法

针对电站负荷变化时风机状态预测模型精度降低的问题,提出一种基于卷积神经网络(CNN) 、长短时记忆( LSTM) 网络与注意力机制(AM)的动态集成状态预测方法。 首先,利用 CNN 将样本数据划分为边界有重叠的不同类别,实现风机 运行状态的软分类;其次,在传统的 LSTM 网络的中引入 AM 层,构造不同工况下的 LSTM-AM 子模型,并将 CNN 输出的软分 类标签作为初始权值,使用遗传算法对权值偏置进行搜索寻优;最后,对各个子模型的输出值加权求和,得到风机不同运行 状态下的集成预测值。 实验结果表明,相较各个 LSTM-AM 子模型和单一 LSTM-AM 模型,本文提出的基于 CNN-LSTM-AM 的 动态集成模型在电站风机变负荷运行时可以将预测结果的均方根误差分别减小 11. 5% 和 22. 3% ,说明此模型具有更好的鲁 棒性和适用性。     

基于小样本的集成学习研究

为了提高集成学习在小数据量的有标记样本问题中的性能,结合半监督学习和选择性集成学习,提出了一种基于半监督回归的选择性集成算法SSRES.一方面,充分利用大量的未标记样本来辅助有标记样本的学习;另一方面,使用选择性集成学习进一步提高学习系统的泛化能力.实验结果表明,SSRES算法能够利用未标记样本和选择性集成技术提高学习器的性能.     

云模型和集成分类结合的故障数据不平衡学习

针对故障数据集不平衡而导致的误分类问题,在分析了不平衡数据对传统分类器影响的基础上,提出了一种基于高斯云模型正向、逆向云发生算法的样本再生成技术。首先,针对样本较少的类别,以现有样本特征值为逆向云算法的输入,计算出特征云模型的期望E_x、熵E_n和超熵H_e这3个指标;其次,以E_x,E_n和H_e为正向云发生算法的输入,衍生出数据量远大于原有样本的云滴(x_i,y_i),采集若干云滴的x值作为新的样本特征值,补充了样本数量较少的类,在数据层面解决了不平衡问题;然后,借助集成极限学习机(ensemble extreme learning machine,简称E-ELM)对补充后的平衡数据集进行分类学习,在算法层面提高了最终的分类精度;最后,在一个滚动轴承故障数据集上验证了所提方法的有效性。     

综合集成网络在电镦机加热电流预报中的应用

选取镦粗缸活塞运动速度、砧子缸活塞运动速度、镦粗压力和加热时间作为输入参数,加热电流作为输出参数,并用数学模型、BP神经网络、加法网络、乘法网络以及神经网络与机理模型综合集成的五种方案来对加热电流进行预报。比较结果表明,综合集成模型将数学模型的知识集成到网络结构中,在“小样本”时,不仅能减少连接权值,而且能加快训练速度,提高泛化能力,在电镦机加热电流的预报中取得了良好效果。     

强差异性神经网络集成的转子故障识别方法

针对误差反向传播（back propagation,简称BP）神经网络在作为传统Bagging集成学习机中的基分类器时,存在相互之间差异性偏低的问题,引入一种特征扰动法对集成学习机的分类性能进行改进。首先,将Relief?F特征评估算法和改进轮盘赌选择法进行结合,并设置基分类器的数目为30个,从转子故障特征集中选择出30个特征子集,每个特征子集的故障特征维数为30;其次,将训练集和测试集分别投影在对应的30个故障特征子集上,得到对应于30个基分类器的系列训练子集和测试子集,通过此方式实现了特征扰动环节;最后,利用Bagging集成学习机中自带的自助采样法对各训练子集进行处理,使其在最终输入至各基分类器时在特征空间和样本集合上都具有一定的差异性,间接使训练后的基分类器之间显示出更高的差异性,让最终的分类结果可信度更高。用一种低维双跨转子故障数据集对该集成学习方法进行类别辨识的结果表明,本方法能够显著提高BP网络的辨识准确率,并且具有良好的抗干扰性能。     

力学性能预测模型及其控制的研究

首先介绍神经网络建模特点,利用神经网络建立起由工艺参数预测力学性能的质量模型,及根据力学性能要求优化工艺参数的逆质量控制模型, 预测效果图显示该模型的预测精度较高.然后,利用质量预测模型分析卷取温度对屈服强度的影响,并利用自校正PID（proportion integral differentiation）控制实现力学性能的控制,仿真结果证明该方法的有效性.     

基于灰色预测和BP的集气管压力集成预测方法

针对焦炉煤气集气过程是一个高度复杂的工业生产过程,难以获得焦炉集气管压力的精确数学模型的问题,提出一种基于灰色预测和BP神经网络的集气管压力集成预测模型。该模型首先利用灰色预测和BP神经网络分别对焦炉集气管压力进行预测,然后采用熵值法确定各预测子模型的加权系数,将两个子模型进行加权集成,可以获得较为准确的焦炉集气管压力值。将其预测性能与单一的灰色模型和BP神经网络模型进行比较,运行结果表明:集成预测模型的预测效果和性能优于单一的灰色模型和BP神经网络预测模型,能够获得较高的预测精度。     

基于改进集成多隐层小波极限学习神经网络的滚动轴承故障识别研究

由于强噪声和非线性、非平稳性等特性,导致滚动轴承振动信号存在难以提取和其工况状态难以辨识的问题,对此提出了一种基于改进集成多隐层小波极限学习神经网络的滚动轴承故障识别模型。首先,使用了谱分割小波变换,将采集到的滚动轴承振动信号分解为若干本征模态分量;然后,选择了较能反映轴承运行工况特征的模态分量,并加以了重构;最后,利用了不同小波函数设计了不同的多隐层小波极限学习神经网络,并加入了卷积机制,将重构后的信号输入不同的深层网络,进行了特征学习与故障识别,利用集成方法得到了最后的滚动轴承故障识别结果。研究结果表明:提出方法的平均故障识别准确率达到99.42%,标准差仅为0.11;该方法自动特征提取能力和工况识别能力优于深度稀疏自动编码器、深度降噪自动编码器和深度信念网络等深度学习方法,适用于滚动轴承故障的自动识别。     

基于极限学习机的板形预测模型

高效地建立起板形模型有利于提高板带轧制过程中的板形精度和有效实现板形控制。提出了一种基于极限学习机(ELM)的板带轧制过程中板形预测模型,不但可以简化参数选择过程,在核函数选择上可以根据训练样本值自动选择无须手动选择,而且可以提高模型的训练速度。结合铝板带四连轧机组在线实测数据进行模型训练,实现对轧制过程板形的预测且得到实验验证。本算法与支持向量机(SVM)模型预测对比,在训练样本数量较少的情况下,模型预测精度都能达到期望精度值,且具有同样甚至更高的预测精度,还具有急速的特点和更强的泛化能力。     

带钢质量属性识别理论评价模型及应用

针对带钢质量评价属性多、指标多的特点,提出了带钢质量综合评价的属性识别模型。依据属性识别理论中有关属性集、属性测度、有序分割类等基本概念,建立了质量等级属性集并计算出带钢质量影响因素的单属性测度和综合属性测度。以置信度准则和评分准则为判别准则,根据置信度准则进行带钢质量的等级评定。同一等级的带钢质量差别由评分准则来区分。实例表明,该模型计算简便,易于计算且具有一定的推广性。     

机械可靠性设计有关问题探讨与应用研究

通过对机械可靠性设计的主要特点和设计原则及对矿井提升机可靠性设计基础的研究,以矿井提升机主轴滚动轴承为例,探讨了可靠性设计在矿井提升机设计中的应用.     

基于BP神经网络的冷轧带钢的力学性能预测

利用BP神经网络的方法预测SPCC冷轧带钢产品力学性能并以现场得到的化学成分(C、Si、Mn、P、S、Al)和工艺参数(退火温度、轧制速度)正交试验数据为基础,采用离线学习的方法得出网络的预报值.     

基于Copula函数模型的机械传动装置可靠性分析

针对机械传动系统变速箱中档位变换对可靠性影响难以准确量化的问题,引入Copula理论,建立了档位之间可靠性模型,确立了行程、相关参数及可靠度之间的关系。将该模型应用于某自行火炮传动系统变速箱中某两档位之间进行验证,经过与实际情况的比较,得出该模型能够为复杂的传动系统寿命及可靠性预测提供参考。     

面向重组维修的机械系统可靠性建模与仿真

机械设备发生故障时需要及时对失效的零件进行更换,重组维修过程实际上破坏了原有的系统可靠性模型,因此需要对系统可靠性模型进行重构.基于机械系统中零件的失效时间分布密度函数,研究重组维护中机械系统在服役期间零件年龄分布规律,重构了机械系统可靠性数学模型.以零件失效时间是韦布分布函数为例,通过数值仿真分析零件失效时间分布密度函数的参数对系统可靠度的影响,对指导以可靠性为核心的机械系统维护具有重要意义.     

基于优化特征的集成变量预测模型及其应用

针对传统基于变量预测模型的模式识别方法在小样本情况下识别精度较低的问题,提出一种基于递归量化特征优化选择的集成变量预测模型(EVPM).该模型采用递归量化分析对被分析信号进行特征提取,在交错式最大权值最小冗余规则下选择权重高且冗余度低的优化特征子集,引入高斯函数、径向基函数、广义回归函数建立特征变量间的复杂非线性关系模...     

滚动轴承性能不确定性与可靠性评估

以灰色系统理论和泊松计数过程为基础,对滚动轴承性能不确定性进行参数量化,并在设定阈值条件下研究不同工况下轴承性能可靠性,进而建立其性能不确定性与可靠性匹配序列,以寻找轴承服役期间两者之间的内在联系。根据轴承运转期间某属性时间序列,进行灰自助处理得到该属性的不确定性;然后参考设定阈值进行泊松计数,获得该时间序列的有效变异强度,进而得到其性能运转可靠性;最后分析不确定性与可靠性两者之间的灰关系。实验结果显示,滚动轴承性能不确定性与可靠性的演变状况可以被真实描述,两者归一化处理结果十分相像,有着明显的灰关系,各案例的实验结果保持良好的一致性。     

轧辊磨损及其预报

在对轧制摩擦特点进行分析的基础上，论述了轧辊磨损形成机理，分析了各种工作辊磨损预报模型。提出了今后工作辊磨研究工作的建议。     

卫星动量轮轴承摩擦力矩性能可靠性动态预测

基于灰置信水平、自助-最小二乘法和最大熵原理建立动态预测模型,并应用于卫星动量轮轴承摩擦力矩性能可靠性的动态预测。首先,对摩擦力矩原始数据分组得到样本,并选定本征样本,提出了由灰置信水平求解各样本变异强度的新方法,进而求得各样本可靠度的实际值;其次,将紧邻的5个样本变异强度融入自助-最小二乘法线性拟合得到拟合系数,由最大熵原理得到下一个样本的变异强度预测值和上下区间;然后,持续更新紧邻的5个变异强度,得到各样本可靠度的预测值和上下区间,最终实现滚动轴承摩擦力矩性能可靠性的动态预测。试验结果表明,恒转速条件下可靠度预测误差均小于4.1%,变转速条件下可靠度预测误差不超过9.4%,充分验证了所提出动态预测模型的可行性和正确性。